作者 | 汪昊
審校 | 重樓
排序?qū)W習(xí)在推薦系統(tǒng)中的應(yīng)用在最近數(shù)年來非常罕見。經(jīng)典的算法比如 BPR 和 CLiMF 早在 10 多年前就已經(jīng)被發(fā)明。因此當(dāng) 2023 年國際會議 AIBT 2023 上有學(xué)者提出斯奇拉姆排序時，眾多聽眾眼前一亮。該算法因此獲得了最佳論文報告獎。本文將帶領(lǐng)讀者一品該算法的細節(jié)，從而深入理解推薦系統(tǒng)算法。
在 2023 年結(jié)束的國際學(xué)術(shù)會議 AIBT 2023 上，Ratidar Technologies LLC 宣讀了一篇基于公平性的排序?qū)W習(xí)算法，并且獲得了該會議的最佳論文報告獎。該算法的名字是斯奇拉姆排序 (Skellam Rank)，充分利用了統(tǒng)計學(xué)中的原理，結(jié)合 Pairwise Ranking 和矩陣分解，同時解決了推薦系統(tǒng)中的準確率和公平性的問題。因為推薦系統(tǒng)中的排序?qū)W習(xí)的原創(chuàng)算法很少，外加斯奇拉姆排序算法性能優(yōu)異，因此在會議上獲得了研究獎項。
1、基本原理
下面我們來介紹斯奇拉姆算法的基本原理：
我們首先回憶一下泊松分布：
圖片
泊松分布的參數(shù)λ的計算公式如下：
圖片
兩個泊松變量的差值是斯奇拉姆分布：
圖片
在公式中，我們有：
圖片
函數(shù)Ik(X)叫做第一類貝塞爾函數(shù)。
有了這些最基本的統(tǒng)計學(xué)中的概念，下面讓我們來構(gòu)建一個 Pairwise Ranking 的排序?qū)W習(xí)推薦系統(tǒng)吧！
我們首先認為用戶給物品的打分是個泊松分布的概念。也就是說，用戶物品評分值服從以下概率分布：
圖片
之所以我們可以把用戶給物品打分的過程描述為泊松過程，是因為用戶物品評分存在馬太效應(yīng)，也就是說評分越高的用戶，打分的人越多，以至于我們可以用某個物品的評分的人的數(shù)量來近似該物品的評分的分布。給某個物品打分的人數(shù)服從什么隨機過程呢？自然而然的，我們就會想到泊松過程。因為用戶給物品打分的概率和該物品有多少人打分的概率相近，我們自然也就可以用泊松過程來近似用戶給物品打分的這一過程了。
我們下面把泊松過程的參數(shù)用樣本數(shù)據(jù)的統(tǒng)計量替代，得到下面的公式：
圖片
我們下面定義 Pariwise Ranking 的最大似然函數(shù)公式。眾所周知，所謂 Pairwise Ranking 指的是我們利用最大似然函數(shù)求解模型參數(shù)，使得模型能夠最大程度保持數(shù)據(jù)樣本中已知的排序?qū)Φ年P(guān)系：
圖片
因為公式中的 R 是泊松分布，所以它們的差值，就是斯奇拉姆分布，也就是說：
圖片
其中變量 E 是按照如下方式定義的：
圖片
我們把斯奇拉姆分布的公式帶入最大似然函數(shù)的損失函數(shù) L ，得到了如下公式：
圖片
在變量 E 中出現(xiàn)的用戶評分值 R ，我們利用矩陣分解的方式進行求解。將矩陣分解中的參數(shù)用戶特征向量 U 和物品特征向量 V 作為待求解變量：
圖片
這里我們先回顧一下矩陣分解的概念。矩陣分解的概念是在 2010 年左右的時候提出的推薦系統(tǒng)算法，該算法可以說是歷史上最成功的推薦系統(tǒng)算法之一。時至今日，仍然有大量的推薦系統(tǒng)公司利用矩陣分解算法作為線上系統(tǒng)的 baseline，而時下大熱的經(jīng)典推薦算法 DeepFM 中的重要組件 Factorization Machine，也是推薦系統(tǒng)算法中的矩陣分解算法后續(xù)的改進版本，和矩陣分解有千絲萬縷的聯(lián)系。矩陣分解算法有個里程碑論文，是 2007 年的 Probabilistic Matrix Factorization，作者利用統(tǒng)計學(xué)習(xí)模型對矩陣分解這個線性代數(shù)中的概念重新建模，使得矩陣分解第一次有了扎實的數(shù)學(xué)理論基礎(chǔ)。
矩陣分解的基本概念，是利用向量的點乘，在對用戶評分矩陣進行降維的同時高效的預(yù)測未知的用戶評分。矩陣分解的損失函數(shù)如下：
圖片
矩陣分解算法有許多的變種，比如上海交大提出的 SVDFeature，把向量 U 和 V 用線性組合的形式進行建模，使得矩陣分解的問題變成了特征工程的問題。SVDFeature 也是矩陣分解領(lǐng)域的里程碑論文。矩陣分解可以被應(yīng)用在 Pairwise Ranking 中用以取代未知的用戶評分，從而達到建模的目的，經(jīng)典的應(yīng)用案例包括 Bayesian Pairwise Ranking 中的 BPR-MF 算法，而斯奇拉姆排序算法就是借鑒了同樣的思路。
我們用隨機梯度下降對斯奇拉姆排序算法進行求解。因為隨機梯度下降在求解過程中，可以對損失函數(shù)進行大量的簡化從而達到求解的目的，我們的損失函數(shù)變成了下面的公式：
圖片
利用隨機梯度下降對未知參數(shù) U 和 V 進行求解，我們得到了迭代公式如下：
圖片
其中：
圖片
另外有：
圖片
其中：
圖片
對于未知參數(shù)變量 V 的求解類似，我們有如下公式：
圖片
其中：
圖片
另外有：
圖片
其中：
圖片
整個算法的流程，我們用如下的偽代碼進行展示：
圖片
2、有效性驗證
為了驗證算法的有效性，論文作者在 MovieLens 1 Million Dataset 和 LDOS-CoMoDa Dataset 上進行了測試。第一個數(shù)據(jù)集包含了 6040 個用戶和 3706 部電影的評分，整個評分數(shù)據(jù)集大概有 100 萬評分數(shù)據(jù)，是推薦系統(tǒng)領(lǐng)域最知名的評分數(shù)據(jù)集合之一。第二個數(shù)據(jù)集合來自斯洛文尼亞，是網(wǎng)上不多見的基于場景的推薦系統(tǒng)數(shù)據(jù)集合。該數(shù)據(jù)集合包含了 121 個用戶和 1232 部電影的評分。作者將斯奇拉姆排序和另外 9 種推薦系統(tǒng)算法進行了對比，主要測評指標(biāo)為 MAE （Mean Absolute Error，用來測試準確性）和 Degree of Matthew Effect （主要用來測試公平性）：
通過圖 1 和圖 2 ，我們發(fā)現(xiàn)斯奇拉姆排序在 MAE 這一項指標(biāo)上表現(xiàn)優(yōu)異，但在 Grid Search 的整個實驗過程中，無法一直保證性能優(yōu)于其他算法。但是在圖 2 中，我們發(fā)現(xiàn)斯奇拉姆排序在公平性指標(biāo)上一騎絕塵，遙遙領(lǐng)先于另外 9 種推薦系統(tǒng)算法。
下面我們看一下該算法在 LDOS-CoMoDa 數(shù)據(jù)集合上的表現(xiàn)：
通過圖3和圖4，我們了解到斯奇拉姆排序在公平性指標(biāo)上一騎絕塵，在準確性指標(biāo)上表現(xiàn)優(yōu)異。結(jié)論和上一個實驗類似。
斯奇拉姆排序結(jié)合了泊松分布、矩陣分解和 Pairwise Ranking 等概念，是一個不可多得的推薦系統(tǒng)排序?qū)W習(xí)算法。在技術(shù)領(lǐng)域，掌握排序?qū)W習(xí)技術(shù)的人只占掌握深度學(xué)習(xí)的人的人數(shù)的1/6，因此排序?qū)W習(xí)屬于稀缺技術(shù)。而能夠在推薦系統(tǒng)領(lǐng)域發(fā)明原創(chuàng)性排序?qū)W習(xí)的人才更是少之又少。排序?qū)W習(xí)算法，把人們從評分預(yù)測的狹隘視角中解放了出來，讓人們意識到最重要的事情是順序，而不是分值。基于公平性的排序?qū)W習(xí)，目前在信息檢索領(lǐng)域中大火，特別是 SIGIR 等頂會，非常歡迎基于公平性的推薦系統(tǒng)的論文，希望能夠得到讀者們的關(guān)注。
【作者簡介】
汪昊，前 Funplus 人工智能實驗室負責(zé)人。曾在 ThoughtWorks、豆瓣、百度、新浪等公司擔(dān)任技術(shù)和技術(shù)高管職務(wù)。在互聯(lián)網(wǎng)公司和金融科技、游戲等公司任職 12 年，對于人工智能、計算機圖形學(xué)和區(qū)塊鏈等領(lǐng)域有著深刻的見解和豐富的經(jīng)驗。在國際學(xué)術(shù)會議和期刊發(fā)表論文 42 篇，獲得IEEE SMI 2008 最佳論文獎、ICBDT 2020 / IEEE ICISCAE 2021 / AIBT 2023 最佳論文報告獎。
